Capitulo2Probabilidad PDF

TEORIA DE LA PROBABILIDAD:
NOCIONES FUNDAMENTALES
Guillermo Ramirez, Maura Vásquez y Adelmo Fernández*
2011
*
Escuela de Estadı́stica y Ciencias Actuariales de la Universidad Central de Venezuela
Índice general
2. Espacios Probabilizados 41
2.1. Espacios probabilizados finitos . . . . . . . . . . . . . . . . . . 41
2.2. Espacios probabilizados finitos con puntos equiprobables. Análi-
sis combinatorio . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.3. Probabilidades multinomial e hipergeométrica . . . . . . . . . 51
2.4. Función de probabilidad en espacios muestrales infinitos nu-
merables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2.5. Función de probabilidad en espacios muestrales infinitos no
numerables . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.6. Ejercicios 2.1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
i
Capı́tulo 2
Espacios Probabilizados
En el capı́tulo anterior estudiamos los conceptos fundamentales para la

construcción de un modelo matemático que explique el comportamiento de
un experimento aleatorio dado:
Espacio Muestral
Conjunto de todos los resultados posibles del experimento
Algebra de Sucesos
Clase conformada por todos los sucesos posibles asociados al espacio muestral
Función de Probabilidad
Función que asocia a cada suceso su probabilidad correspondiente
En este capı́tulo discutiremos la situación planteada según el espacio

muestral sea finito, infinito numerable o infinito no numerable
2.1. Espacios probabilizados finitos

Nos ocuparemos en primer lugar del caso en el cual el espacio muestral
es un conjunto finito, y por tanto puede escribirse como: Ω = {w1 , w2 ,... wn }.
En este caso bastará con conocer la función de probabilidad sobre los puntos
muestrales, para calcular la probabilidad de cualquier suceso asociado a Ω.
En efecto, en un espacio muestral finito cualquier suceso A puede es-

cribirse como:
A = {wa1 , wa2 , ...wak }
41
Capitulo 2 Espacios Probabilizados 42
donde k = n(A) es el número de elementos de A, de modo que:

k
[ k
X
P (A) = P ( wai ) = P (wai )
i=1 i=1
Si B es cualquier otro suceso incompatible con A, digamos: B = { wb1 ,

wb2 ,... wbm } donde m = n(B) es el número de elementos de B, entonces la
unión:
A ∪ B = {wa1 , wa2 , ...wak , wb1 , wb2 , ...wbm }
y su probabilidad:
P (A ∪ B) = P (wa1 ) + P (wa2 ) + ...P (wak ) + P (wb1 ) + P (wb2 ) + ...P (wbm )

k
X m
X
= P (wai ) + P (wbi ) = P (A) + P (B)
i=1 i=1
Estas ideas sugieren que la especificación de las probabilidades de los

puntos muestrales es suficiente para definir una función de probabilidad en
un espacio muestral finito. En realidad ese es el caso, tal como se desprende
del siguiente teorema, cuya demostración se deja como ejercicio.
Teorema 2.1.1. Sea Ω = {w1 , w2 ,... wn } un espacio muestral finito asociado
a un cierto experimento aleatorio. Sea la función P: P(Ω) → R definida de
modo que:
i.- 0 ≤ P (wi ) ≤ 1 ∀i
Pn
ii.- i=1 P ({wi }) = 1
P
iii.- P (A) = w∈A P ({w})
Entonces P es una función de probabilidad sobre (Ω, P (Ω)).
2.2. Espacios probabilizados finitos con pun-

tos equiprobables. Análisis combinatorio
Supondremos ahora que todos los puntos muestrales son equiprobables,
es decir, P ({wi }) = p ∀i. En ese caso:
X
P (Ω) = 1 = P (∪{wi }) = P ({wi }) = np de donde p = 1/n
De tal manera que la probabilidad de cualquier suceso A vendrá dada

por:
X n(A)
P (A) = 1 = P (∪{wai }) = P ({wai }) = kp =
n
resultado que concuerda con el enfoque clásico de Laplace.
Ejemplo 2.2.1. Se elige aleatoriamente un número entre 1 y 100. Halle la

probabilidad de que el número seleccionado sea múltiplo de 3.
En primer lugar, debemos aclarar que el término “aleatorio”es utilizado

en muchos sentidos diferentes. Nos referimos aquı́ al método de selección que
asigna la misma probabilidad a cada elemento.
Debido entonces a la aleatoriedad, tenemos que:
1
P ({wi }) = ∀i
100
ası́ que el suceso:
A = {que el número seleccionado sea múltiplo de 3}

= {3, 6, 9, 12 . . . }
tendrá por probabilidad:
n(A) 33
P (A) = = = 0, 33
n 100
Ejemplo 2.2.2. Se elige aleatoriamente un número entre 1 y 3.000.000.
Hallar la probabilidad de que el número seleccionado comience por 1.
Debido a la aleatoriedad:
1
P ({wi }) = ∀i
3,000,000
ası́ que el suceso A = {que el número seleccionado comience por 1} tendrá por
probabilidad:
n(A)
P (A) =
n
Para hallar n(A) hacemos uso del siguiente cuadro:
Intervalos que contienen Total de enteros

números que comienzan por 1 en el intervalo
1 1
10 - 19 10
100 - 199 100
1000 - 1999 1000
10000 - 19999 10000
100000 - 199999 100000
1000000 - 1999999 1000000
1111111
luego:
1,111,111
P (A) = = 0,37
3,000,000
El hecho de que la probabilidad de un suceso A, en el caso de equipro-
babilidad, sea el total de elementos de A sobre el total de elementos de Ω,
nos sugiere la conveniencia de conocer ciertos procedimientos de enumeración
de conjuntos. Estos procedimientos resultarán particularmente útiles cuando
nos ocupemos de selección de muestras aleatorias.
Antes de estudiar los mtodos de enumeración de conjuntos, es necesario

presentar las reglas básicas de adición y multiplicación.
Regla de adición
Si los conjuntos A1 , A2 . . . Ak son disjuntos, entonces el total de elementos
de la unión de ellos es igual a la suma de los totales de elementos de cada
conjunto. Es decir:
k
[ k
X
n( Ai ) = n(Ai ) si Ai ∩ Aj = ∅
i=1 i=1
Regla de multiplicación
Si al seleccionar elementos de un conjunto no vacı́o para formar conjuntos
ordenados de tamaño k (k-uplas), ocurre que existenn 1 elementos posibles
para ocupar el lugar 1, n2 elementos posibles para ocupar el lugar 2, ..., nk
elementos posibles para ocupar el lugar k, entonces el total de k-uplas posi-
bles que se pueden formar es igual al producto: n1 n2 ...nk .
Estos dos principios básicos permiten definir los siguientes métodos de enu-
meración:
Definicion 2.2.1 (Permutación de n elementos). Dados n elementos diferen-

tes a1 , a2 . . . an , se define como permutación de tales elementos a todo arreglo
diferente obtenido con dichos elementos, intercambiando el orden de ellos. El
número total de permutaciones lo representaremos por Pn y es igual a n!.
Este resultado es fácilmente derivable aplicando la regla de la multipli-

cación:
Existen n elementos posibles para ocupar el lugar 1
Existen n-1 elementos posibles para ocupar el lugar 2
..
.
Existe 1 elemento posible para ocupar el lugar n
El total de arreglos posibles de tamaño n es entonces:
n(n-1)(n-2) ... 2.1 = n! = Pn
Ejemplo 2.2.3. Dados los elementos a, b y c tenemos que los posibles arre-
glos diferentes, intercambiando el orden son:
abc bac cab

acb bca cba
cuyo total es: P3 = 3! = 6.
Definicion 2.2.2 (Variación de n elementos de tamaño r con repetición).

Dados n elementos diferentes a1 , a2 . . . an , se define como variación de tales
elementos de tamaño r con repetición, a todo arreglo de tamaño r que puede
formarse con dichos elementos, en el cual se pueden repetir los elementos
y se considera el orden como criterio de diferenciación. El número total de
R
variaciones de tamaño r con repetición lo representaremos por Vn,r y es igual
r
an.
Este resultado se deriva también aplicando la regla de la multiplicación:

..
.
Existen n elementos posibles para ocupar el lugar n
El total de arreglos posibles de tamaño r es entonces:
n n . . . n = nr = Vn,r
R
Una aplicación importante de este resultado consiste en que el número

total de muestras posibles con reemplazamiento de tamaño r y considerando
el orden, extraı́das en una población de tamaño n es
Ejemplo 2.2.4. Sea la población formada por los elementos a, b, c y d. Las

posibles muestras de tamaño 2 con reemplazamiento y considerando el orden,
que se pueden extraer son:
aa ab ac ad
ba bb bc bd
ca cb cc cd
da db dc dd
R
cuyo total es: V4,2 = 42 = 16.
Definicion 2.2.3 (Variación de n elementos de tamaño r). Dados n ele-

mentos diferentes a1 , a2 . . . an , se define como variación de tales elementos
de tamaño r, a todo arreglo de tamaño r que puede formarse con dichos ele-
mentos, en el cual no se pueden repetir los elementos y se considera el orden
como criterio de diferenciación. El número total de variaciones de tamaño r
lo representaremos por Vn,r y es igual a n(r) .
Se denomina factorial r-ésimo de n, y se denota por n(r) , al producto:

r
Y n!
n(r) = (n − j + 1) =
j=1
(n − r)!
Aplicando la regla de la multiplicación tenemos:

Existen n-1 elementos posibles para ocupar el lugar 2
..
.
Existe n-(r-1) elementos posibles para ocupar el lugar r
El total de arreglos posibles de tamaño r es entonces:

r
Y
n(n − 1)(n − 2) . . . (n − r + 1) = (n − j + 1)
j=1
n!
= n(r) = = Vn,r
(n − r)!

total de muestras posibles sin reemplazamiento de tamaño r y considerando
el orden, extraı́das de una población de tamaño n es Vn,r .

posibles muestras de tamaño 2 sin reemplazamiento y considerando el orden,
ab ac ad
ba bc bd
ca cb cd
da db dc
cuyo total es: V4,2 = 4(2) = 4 3 = 12.
Definicion 2.2.4 (Combinación de n elementos de tamaño r). Dados n ele-

mentos diferentes a1 , a2 . . . an , se define como combinación de tales elementos
de tamaño r, a todo arreglo de tamaño r que puede formarse con dichos ele-
mentos, en el cual no se pueden repetir los elementos y no se considera el
orden como criterio de diferenciación. El número total de combinaciones de
tamaño r lo representaremos por Cn,r y es igual a nr .
Se denomina número combinatorio de n en r, y se denota por Cn,r , al cociente:

n n!
Cn,r = =
r r!(n − r)!
Tal resultado se deriva de lo siguiente:

Si permutamos estos Cn,r arreglos de tamaño r, en los cuales no interesa el
orden y no pueden repetirse los elementos, obtenemos el total de arreglos de
tamaño r en los cuales sı́ interesa el orden y no pueden repetirse los elemen-
tos, es decir el total de variaciones Vn,r . Por tanto:
n!
r! Cn,r = Vn,r =
(n − r)!
de donde:
Vn,r n! n
Cn,r = = =
r! r!(n − r)! r
Una aplicación importante de este resultado consiste en que el número total
de muestras posibles sin reemplazamiento de tamaño r y sin considerar el
orden, extraı́das de una población de tamaño n es Cn,r .
posibles muestras de tamaño 2 sin reemplazamiento y sin considerar el orden,
ab ac ad
bc bd
cd
4 4!

cuyo total es: C4,2 = 2
= 2!2!
= 6.
Obsérvese que si permutamos estas 6 muestras obtenemos las 12 mues-
tras del ejemplo 2.2.5, es decir, las variaciones.
Definicion 2.2.5 (Combinación de n elementos de tamaño r con repetición).
Dados n elementos diferentes a1 , a2 . . . an , se define como combinación de ta-
les elementos de tamaño r, a todo arreglo de tamaño r que puede formarse con
dichos elementos, en el cual se pueden repetir los elementos y no se considera
el orden como criterio de diferenciación. El número total de combinaciones
y es igual a n+r−1
R

de tamaño rcon repetición lo representaremos por Cn,r r
.
La demostración de este resultado es un poco más complicada que las
anteriores y debe hacerse mediante inducción con respecto a r, y aplicando
la relación:
n−1
X r+s n+r
= con n y r tales que r ≥ 0 y n ≥ 1
s=0
s r+1

total de muestras posibles con reemplazamiento de tamaño r y sin considerar
R
el orden, extraı́das de una población de tamaño n es Cn,r .
Ejemplo 2.2.7. Sea la población formada por los elementos a, b, c y d.
Las posibles muestras de tamaño 2 con reemplazamiento y sin considerar el
orden, que se pueden extraer son:
aa ab ac ad
bb bc bd
cc cd
dd
4+2−1 5
R

cuyo total es: C4,2 = 2
= 2
= 10.
Podemos resumir la aplicación de las definiciones 2.2.2. a la 2.2.5., como
sigue:
Total de
muestras
Considerando
el orden R
Vn,r
Con
reemplazamiento
Sin considerar
el orden R
Cn,r
Población Muestra
(n elementos) (r elementos)
Considerando
el orden Vn,r
Sin
reemplazamiento
Sin considerar
el orden Cn,r
A continuación presentaremos una definición importante que nos per-

mitirá introducir las permutaciones con repetición.
Definicion 2.2.6 (Distribución de r elementos en n posiciones). Dados r
elementos a1 , a2 . . . ar , el total de arreglos posibles de tales elementos en n
posiciones viene dado por Vn,r si los elementos son diferentes, y por Cn,r si
los elementos son iguales.
Este resultado se deriva de la forma siguiente:

En el caso en el cual los elementos son diferentes, designamos por a1i , a2j . . . ark
el arreglo en el cual el elemento a1 ocupa el lugar i, el elemento a2 ocupa el
lugar j, . . . el elemento ar ocupa el lugar k. De esta manera, el total de arre-
glos posibles de los r elementos en las n posiciones es igual al total de arreglos
de subı́ndices que podemos asignar a los r elementos, tomados del conjunto
(1, 2 . . . n) sin que se repitan los subı́ndices y considerando el orden, es decir,
Vn,r .
En el caso en el cual los elementos son iguales: a, a . . . a, designamos por
a1 , a2 . . . ar el arreglo en el cual las posiciones 1, 2 . . . r están ocupadas. En
este caso, el total de arreglos de los r elementos en las n posiciones será igual
al total de arreglos de subı́ndices que podemos asignar a los r elementos,
tomados del conjunto (1, 2 . . . n) sin que se repitan los subı́ndices y sin con-
siderar el orden, es decir, Cn,r .
Ejemplo 2.2.8. Dados los elementos a y b, los posibles arreglos de estos 2

elementos en tres posiciones son:
Posiciones
1 2 3
a b -
a - b
- a b
b a -
b - a
- b a
cuyo total es V3,2 = 6. Si los elementos a y b fuesen iguales, los arreglos

diferentes serı́an solamente los tres primeros, o sea, C3,2 .
Definicion 2.2.7 (Permutación de n elementos con repetición). Dados n

elementos de los cuales n1 son de una clase C1 , n2 de una clase C2 . . . nk de
una clase Ck . Se define como permutación de tales elementos con repetición, a
todo arreglo diferente obtenido con dichos elementos, intercambiando el orden
de ellos. El número total de permutaciones con repetición lo representaremos
por Pn;n1 n2 ...nk y es igual a:
n!
n1 ! n2 ! . . . nk !
Derivaremos este resultado en la siguiente forma:
Los n1 elementos de la clase C1 pueden distribuirse en las n posiciones de

n
n1
formas diferentes. Los n2 elementos de la clase C2 pueden distribuirse en
las n − n1 posiciones restantes de n−n 1

n2
formas diferentes. Seguimos ası́ su-
cesivamente hasta los nk elementos de la clase Ck , que pueden distribuirse
nk
en las últimas nk posiciones restantes de nk formas diferentes.
El total de arreglos diferentes será entonces el producto:

n n − n1 n − (n1 + n2 ) n − (n1 + n2 + · · · + nk−2 ) nk
... =
n1 n2 n3 nk−1 nk
n!
n1 ! n2 ! . . . nk !
Ejemplo 2.2.9. Dados los elementos a, a, a, b y b, tenemos que los posibles
arreglos diferentes intercambiando el orden son:
aaabb abaab baaab bbaaa

aabab ababa baaba
aabba abbaa babaa
5!
cuyo total es P5;3,2 = 3! 2!
= 10.
2.3. Probabilidades multinomial e hipergeométri-

ca
La revisión detallada de conceptos del análisis combinatorio presentada
en la sección anterior nos servirá de base para presentar dos esquemas pro-
babilı́sticos de gran aplicación en la teorı́a del muestreo: el multinomial y el
hipergeométrico.
Definicion 2.3.1 (Probabilidad multinomial). Dada una población de N

elementos, de los cuales N1 pertenecen a una clase C1 , N2 pertenecen a una
clase C2 , . . . Nk pertenecen a una clase Ck . Se selecciona aleatoriamente con
reemplazamiento una muestra de tamaño n. La probabilidad de que la muestra
contenga ni elementos de la clase Ci (i = 1, 2 . . . k), donde la suma n1 +

n2 . . . nk = n, se denomina probabilidad multinomial y viene dada por:
n1 n2 nk
n! N1 N2 Nk
...
n1 ! n2 ! . . . nk ! N N N
La demostración de este resultado es como sigue:
La probabilidad buscada viene dada por el total de muestras con reempla-

zamiento que contengan ni elementos de la clase Ci (i = 1, 2 . . . k), dividido
por el total de muestras con reemplazamiento. El total de muestras con re-
R
emplazamiento es VN,n = N n.
Las muestras con reemplazamiento que contienen elementos de C1 en las pri-

meras n1 posiciones, elementos de C2 en las siguientes n2 posiciones, . . . , y
elementos de Ck en las últimas nk posiciones son N1n1 N2n2 . . . Nknk .
Permutando estas muestras obtenemos un total de:

n!
N1n1 N2n2 . . . Nknk
n1 ! n2 ! . . . nk !
Luego, la probabilidad buscada es:
n! N1n1 N2n2 . . . Nknk
n1 ! n2 ! . . . nk ! Nn
Definicion 2.3.2 (Probabilidad hipergeométrica). Dada una población de
N elementos, de los cuales N1 pertenecen a una clase C1 , N2 pertenecen a
una clase C2 , . . . Nk pertenecen a una clase Ck . Se selecciona aleatoriamente
sin reemplazamiento una muestra de tamaño n. La probabilidad de que la
muestra contenga ni elementos de la clase Ci (i = 1, 2 . . . k), donde la suma
n1 + n2 . . . nk = n, se denomina probabilidad hipergeométrica y viene dada
por:
N1 N2
. . . Nnkk

n1 n2
N

n
La demostración de este resultado es similar a la anterior:
La probabilidad buscada viene dada por el total de muestras sin reemplaza-

miento que contengan ni elementos de la clase Ci (i = 1, 2 . . . k), dividido
por el total de muestras sin reemplazamiento. El total de muestras sin reem-

plazamiento es VN,n = N(n) .
Las muestras con reemplazamiento que contienen elementos de C1 en las pri-

meras n1 posiciones, elementos de C2 en las siguientes n2 posiciones, . . . , y
elementos de Ck en las últimas nk posiciones son N1(n1 ) N2(n2 ) . . . Nk(nk ) .
Permutando estas muestras obtenemos un total de:
n!
N1(n1 ) N2(n2 ) . . . Nk(nk ) =
n1 ! n2 ! . . . nk !
N1(n1 ) N2(n2 ) Nk(nk )
n! ...
n1 ! n2 ! nk !
Luego la probabilidad buscada es:
N1(n1 ) N2(n2 ) Nk(nk )
n1 ! n2 !
... nk !
N(n)
n
que es igual a:
N1 N2 Nk

n1 n2
... nk
N

n
Podemos resumir la aplicación de las definiciones 2.3.1 y 2.3.2, como
sigue:
Dada una población de tamaño N clasificada en k subpoblaciones de

tamaños N1 , N2 . . . Nk respectivamente, la probabilidad de obtener ni ele-
mentos de cada subpoblación Ci (i = 1, 2 . . . k) al seleccionar una muestra
de tamaño n, depende de si el muestreo es con o sin reemplazamiento:
Subpoblación
C1 n1 elementos de C1
Población C2 −→ Muestra n2 elementos de C2
(N elementos) . (n elementos) .
.. ..
. .
Ck nk elementos de Ck
Tal probabilidad es del tipo multinomial si el muestreo es con reemplaza-

miento, y del tipo hipergeométrico si el muestreo es sin reemplazamiento.
Ejemplo 2.3.1. En un lote que consta de 100 piezas, hay 20 defectuosas y 80
no defectuosas. Se selecciona aleatoriamente 5 de ellas. Halle la probabilidad
de obtener 5 piezas defectuosas y 5 no defectuosas.
En este caso tenemos:
Población 20 defectuosas −→ Muestra 5 defectuosas
(100 piezas) 80 no defectuosas (10 piezas) 5 no defectuosas
La probabilidad buscada será:

5 5
10! 20 80
= 0, 07 si el muestreo es con reemplazamiento
5! 5! 100 100
y:
20 80

5
100
5 = 0, 021 si el muestreo es sin reemplazamiento
10
2.4. Función de probabilidad en espacios mues-

trales infinitos numerables
No es diiı́cil concluir que cuando Ω es un espacio infinito numerable,
puede generalizarse el resultado obtenido en el teorema 2.1.1. Esto se debe a
que también en este caso, cualquier suceso no vacı́o puede expresarse como
unión numerable de puntos muestrales, y por tanto conoceremos la probabi-
lidad de cualquier suceso A si es conocida la probabilidad de cada uno de los
puntos muestrales.
Teorema 2.4.1. Sea Ω = {w1 , w2 ,. . . } un espacio muestral infinito nume-
rable asociado a un cierto experimento aleatorio. Sea la función P: P(Ω) →
R definida de modo que:
i.- 0 ≤ P (wi ) ≤ 1 ∀i
P∞
ii.- i=1 P ({wi }) = 1
P
iii.- P (A) = w∈A P ({w})
Entonces P es una función de probabilidad sobre (Ω, P (Ω)).

Ejemplo 2.4.1. Considere el experimento aleatorio que consiste en lanzar
una moneda hasta que aparezca cara. Halle la probabilidad de los sucesos:
i.- A = (necesitar a lo sumo 3 lanzamientos)
ii.- B = (necesitar por lo menos 3 lanzamientos)
El espacio muestral asociado a este experimento aleatorio es infinito nume-
rable:
Ω = {c, sc, ssc, . . . }
Debemos conocer entonces la probabilidad de cada uno de los puntos mues-
trales para calcular la probabilidad de cualqueir suceso:
P ({w1 }) = P (c) = 1/2
P ({w2 }) = P (sc) = (1/2)2
..
.
P ({wk }) = P (ss . . . sc) = (1/2)k para todo entero k
tenemos entonces:
i. − P (A) = P ({w1 , w2 , w3 })
= P ({w1 }) + P ({w2 }) + P ({w3 })
= (1/2) + (1/2)2 + (1/2)3
= 7/8
ii. − P (B) = P ({w3 , w4 , . . . })

= 1 − P ({w1 , w2 })
= 1 − ((1/2) + (1/2)2 )
= 1/4
2.5. Función de probabilidad en espacios mues-

trales infinitos no numerables
En este caso la situación no es tan simple. En primer lugar, no todos
los posibles conjuntos de Ω pueden considerarse como sucesos. Por otra par-
te, como todo subconjunto no numerable no puede expresarse como unión
numerable de puntos muestrales, el conocimiento de la función P para estos

sucesos elementales será de poca utilidad para determinar la probabilidad de
cualquier suceso.
Ocurre además, que sólo es posible para un conjunto numerable de pun-

tos muestrales tener probabilidad positiva, ya que:
a lo más 1 elemento podrá tener probabilidad mayor que 1/2,

a lo más 2 elementos podrán tener probabilidad mayor que 1/3,
..
.
a lo más (n-1) elementos podrán tener probabilidad mayor que 1/n,
para todo n. De tal manera que la “mayorı́a”de los puntos muestrales tendrán
probabilidad cero si Ω es infinito no numerable.
El ejemplo más conocido e importante de espacio muestral infinito no

numerable es el conjunto de los números reales R. Una vez estudiado el con-
cepto de variable aleatoria en el capı́tulo 4, entenderemos que éste es el nico
caso que nos interesa estudiar.
En el siguiente teorema veremos que si Ω = R, podremos calcular la

probabilidad de cualquier suceso (boreliano) si conocemos la función de pro-
babilidad para los intervalos del tipo (−∞, x]
Teorema 2.5.1. Sea el espacio probabilizado real (R, BR , P ) para el cual se
conocen las probabilidades del tipo P ((−∞, x]) para todo x ∈ R. Entonces es
posible calcular las probabilidades del tipo:
i.- P ((x, y]) v.- P ([x, y])
ii.- P ({x}) vi.- P ((x, ∞))
iii.- P ((x, y)) vii.- P ([x, ∞))
iv.- P ([x, y)) viii.- P ((−∞, x))
Demostración.
i.- P ((x, y]) = P ((−∞, y]) − P ((−∞, x])
ii.- P ({x}) = P (lim(x − 1/n, x]) = limP ((x − 1/n, x])
iii.- P ((x, y)) = P ((x, y]) − P ({y})
iv.- P ([x, y)) = P ((x, y)) + P ({x})
Las demostraciones son similares y se dejan como ejercicio.

Ejemplo 2.5.1. Sea el espacio muestral Ω = {x ∈ R : 0 < x ≤ 1}. Sea la
función de probabilidad P : A −→ R donde A = BR ∩ (0, 1], y tal que conoce-
mos que P ((0, x]) = x para todo x ∈ Ω. Calcule las siguientes probabilidades:
i.- P (Ω)
ii.- P ((1/2, 1])
iii.- P ({1/2})
Utilizando los resultados del teorema anterior tenemos que:
i.- P (Ω) = P ((0, 1]) = 1
ii.- P ((1/2, 1]) = P ((0, 1]) − P ((0, 1/2]) = 1 − 1/2 = 1/2
iii.- P ({1/2}) = P (lim(1/2 − 1/n, 1/2]) = lim{P ((0, 1/2]) − P ((0, 1/2 − 1/n])}
= lim{1/2 − (1/2 − 1/n)} = lim{1/n} = 0
Preguntas de Repaso
1. Enuncie la regla de la adición
2. Enuncie la regla de la multiplicación
3. ¿Qué se entiende por permutación de n elementos diferentes a1 , a2 . . . an ?
4. ¿Qué se entiende por variación de n elementos diferentes a1 , a2 . . . an de
tamaño r con repetición?
5. ¿Qué se entiende por variación de n elementos diferentes a1 , a2 . . . an de
tamaño r sin repetición?
6. ¿Qué se entiende por combinación de n elementos diferentes a1 , a2 . . . an de
tamaño r con repetición?
7. ¿Qué se entiende por combinación de n elementos diferentes a1 , a2 . . . an de
tamaño r sin repetición?
8. Explique brevemente el esquema probabilı́stico multinomial y dé un ejemplo
9. Explique brevemente el esquema probabilı́stico hipergeométrico y dé un ejem-
plo
10. En el caso del espacio probabilizado real (R, BR , P ), la probabilidad de qué ti-
po de intervalos es necesario conocer para calcular la probabilidad de cual-
quier boreliano y por qué
2.6. Ejercicios 2.1

1. Demuestre por inducción la regla de la multiplicación.
2. Se seleccionan aleatoriamente sin reemplazamiento 3 números entre 1

y 10. Halle la probabilidad de los siguientes sucesos:
i) A = {que los números 1 y 6 hayan sido seleccionados}

ii) B = {que los 3 números sean consecutivos}
iii) C = {que los 3 nmeros sean pares}
iv) D = {que el menor de los nmeros sea 5}
3. Se selecciona aleatoriamente un número entre 1 y 10, luego se selecciona

otro entre 11 y 50, y luego otro entre 51 y 100. Halle la probabilidad
de los siguientes sucesos:
i) A = {que los 3 números sean múltiplos de 5}

ii) B = {que dos números sean pares y el otro impar}
4. Se selecciona aleatoriamente un número entre 1 y 100. Halle la proba-

bilidad de obtener un cuadrado perfecto si:
i) Todos los números tienen igual probabilidad

ii) Los números entre 1 y 50 tienen el doble de probabilidad que los
números entre 51 y 100
5. De 6 números positivos y 8 negativos se eligen 4 al azar sin reemplaza-

miento, y se multiplican. ¿Cuál es la probabilidad de que el producto
sea un número positivo?
6. Considere una loterı́a de 100 boletos que ofrece como premios 5 carros
y 8 motos. Si una persona P compra 4 boletos, halle la probabilidad de
los siguientes sucesos:
i) A = {P gana 1 carro y 2 motos}

ii) B = {P no gana ningún premio}
iii) C = {P gana al menos un premio}
iv) D = {P gana exactamente un premio}
7. Una caja contiene 10 libros de Estadı́stica, 4 de Matemáticas y 3 de

Computación. Si se extraen aleatoriamente 4 libros sin reemplazamien-
to, halle la probabilidad de obtener:
i) A = {al menos uno de cada materia}

ii) B = {a lo sumo 2 libros de Estadı́stica}
8. Se seleccionan aleatoriamente 5 cartas de un juego de barajas. Halle la

probabilidad de obtener:
i) A = {exactamente 1 par de cartas de igual pinta}

ii) B = {exactamente 2 pares de cartas de igual pinta}
iii) C = {exactamente un trı́o}
iv) D = {1 trı́o y 1 par}
v) E = {5 cartas de la misma pinta}
9. Cuatro personas se ponen de acuerdo para encontrarse en el Grand

Hotel de Parı́s. Sucede que en esa ciudad hay 4 hoteles con ese nombre.
¿Cuál es la probabilidad de que todos ellos escojan hoteles diferentes?
10. Un autobusete comienza su recorrido por 10 paradas con 6 pasajeros

a bordo. Asumiendo que la probabilidad de bajarse cada pasajero en
cada parada es la misma, ¿cuál es la probabilidad de que no se baje
más de 1 pasajero en cada parada?
11. Se escribe en tarjetas las letras de la palabra “PROBABILIDAD”, una

letra en cada tarjeta. Se barajan bien las tarjetas y se colocan en fila
en una mesa, con las letras hacia arriba. Halle la probabilidad de que
quede escrita la palabra “PROBABILIDAD”.
12. Considere una ciudad en la cual hay 3 plomeros. Un dı́a 4 residentes

llaman por teléfono a una plomero. Si cada uno de los residentes selec-
ciona un plomero al azar del directorio telefónico, halle la probabilidad
de los siguientes sucesos:
i) A = {todos los plomeros son llamados}

ii) B = {exactamente 1 plomero es llamado}
13. Suponga que 4 personas asisten a una fiesta. En la entrada del salón
depositan su sombrero en una sombrerera. Si al salir, cada persona
recoge un sombrero al azar, cuál es la probabilidad de que:
i) Todas las personas recojan su propio sombrero

ii) Al menos una persona recoja su propio sombrero
14. Demuestre que:
i) nx = n−x n

ii) m
m−n m−n−r m
k+r k
n r k−n
= k+r k n
m−1 m−1 m

iii) n−1 + n = n
iv) x+r−1 = x+r−1 = −r

r−1 x x
(−1)x
15. i) Halle el coeficiente de xn en el desarrollo de:

ii) Utilizando la parte i, demuestre que:
(Sugerencia: Iguale los coeficientes de xn en los 2 términos de la
ecuación: )
16. Sea el espacio muestral Ω = {1, 2 . . . }, y sea la función P : BR ∩Ω → R

tal que:
P (n) = c(2/3)n ∀n ∈ Ω
Obtenga:
i) El valor de c
ii) La probabilidad del suceso conformado por los múltiplos de 7

tal que:
2w
P (w) = e−2 ∀w ∈ Ω
w!
Calcule:
i) P (Ω)
ii) P (0 ≤ w ≤ 2)
iii) P (w ≥ 1)

tal que:
P ({1, 2 . . . x}) = 1 − (1/2)x ∀x ∈ Ω
Calcule:
i) P ({1, 2, 3, 4})
ii) P ({3, 4, 5 . . . })
iii) P ({3, 4, 5})
iv) P ({0})
v) P ({2})
vi) P ({x})
19. Sea el espacio muestral Ω = {x ∈ R : a < x ≤ b}, y sea la función
P : BR ∩ Ω → R tal que:
x−a
P ((a, x]) = ∀x ∈ Ω
b−a
Calcule:
i) P (Ω)
ii) P (( a+b
2
, b])
iii) P ({b})
iv) P (( a+b
2
, a+3b
4
])
20. Sea el espacio muestral Ω = {x ∈ R : 0 < x < ∞}, y sea la función
P : BR ∩ Ω → R tal que:
Z b
P ((a, b]) = e−t dt para 0 < a < b < ∞
a
Calcule:
i) P (Ω)
ii) P ((2, 5])
iii) P ({x})
iv) P ([5, ∞))
PERSONAJES DE LA ESTADISTICA
Karl Pearson
Karl Pearson (1857 - 1936) nació en Londres el 27 de marzo
de 1857 en una familia de clase media alta de Yorkshire.
En 1875 ganó una beca para estudiar matemáticas en el
King’s College, donde estudió además filosofı́a y religión.
Se graduó en 1879 en la Universidad de Cambridge con
los más altos honores. Durante 1879 y 1880 estudió en las
universidades de Berlı́n y Heidelberg, donde cursó literatura
y derecho romano. En 1888 se dedica a la docencia en
matemáticas en el King’s College, convirtiéndose en uno
de los profesores más notables de su época. En el año 1891
conoce al zoólogo Walter Weldon, con quien lo unió una
estrecha amistad durante muchos años, y cuya influencia
lo hizo interesarse por la genética y la evolución. Pearson,
Weldon y Galton fueron los fundadores de la prestigiosa
revista Biometrika, cuyo primer volumen apareció en 1901.
De Pearson son famosas sus acaloradas y públicas disputas
con Fisher sobre diversos temas estadı́sticos. Karl Pearson
falleció en Inglaterra el 27 de abril de 1936, a la edad de 79
años. Su hijo, Egon Pearson, siguió sus pasos, llegando a
ser designado como Jefe del Departamento de Estadı́stica en
el University College. Entre sus numerosos aportes pueden
mencionarse el coeficiente de correlación lineal, la distribu-
ción chi-cuadrado y las pruebas de bondad de ajuste.
De él se dijo: “. . . Era un hombre de una gran inteligencia,
que además tenı́a la gran virtud de explicar claramente los
más complicados temas ...”.”

Capitulo2Probabilidad PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Capitulo2Probabilidad PDF

Cargado por

Copyright:

Formatos disponibles

TEORIA DE LA PROBABILIDAD:

En el capı́tulo anterior estudiamos los conceptos fundamentales para la

En este capı́tulo discutiremos la situación planteada según el espacio

2.1. Espacios probabilizados finitos

En efecto, en un espacio muestral finito cualquier suceso A puede es-

donde k = n(A) es el número de elementos de A, de modo que:

Si B es cualquier otro suceso incompatible con A, digamos: B = { wb1 ,

P (A ∪ B) = P (wa1 ) + P (wa2 ) + ...P (wak ) + P (wb1 ) + P (wb2 ) + ...P (wbm )

Estas ideas sugieren que la especificación de las probabilidades de los

2.2. Espacios probabilizados finitos con pun-

De tal manera que la probabilidad de cualquier suceso A vendrá dada

Ejemplo 2.2.1. Se elige aleatoriamente un número entre 1 y 100. Halle la

En primer lugar, debemos aclarar que el término “aleatorio”es utilizado

A = {que el número seleccionado sea múltiplo de 3}

tendrá por probabilidad:

Intervalos que contienen Total de enteros

Antes de estudiar los mtodos de enumeración de conjuntos, es necesario

Definicion 2.2.1 (Permutación de n elementos). Dados n elementos diferen-

Este resultado es fácilmente derivable aplicando la regla de la multipli-

El total de arreglos posibles de tamaño n es entonces:

n(n-1)(n-2) ... 2.1 = n! = Pn

abc bac cab

cuyo total es: P3 = 3! = 6.

Definicion 2.2.2 (Variación de n elementos de tamaño r con repetición).

Este resultado se deriva también aplicando la regla de la multiplicación:

Existen n elementos posibles para ocupar el lugar n

El total de arreglos posibles de tamaño r es entonces:

Una aplicación importante de este resultado consiste en que el número

Ejemplo 2.2.4. Sea la población formada por los elementos a, b, c y d. Las

Definicion 2.2.3 (Variación de n elementos de tamaño r). Dados n ele-

Se denomina factorial r-ésimo de n, y se denota por n(r) , al producto:

Aplicando la regla de la multiplicación tenemos:

Existen n elementos posibles para ocupar el lugar 1

Existe n-(r-1) elementos posibles para ocupar el lugar r

El total de arreglos posibles de tamaño r es entonces:

Una aplicación importante de este resultado consiste en que el número

Ejemplo 2.2.5. Sea la población formada por los elementos a, b, c y d. Las

cuyo total es: V4,2 = 4(2) = 4  3 = 12.

Definicion 2.2.4 (Combinación de n elementos de tamaño r). Dados n ele-

Se denomina número combinatorio de n en r, y se denota por Cn,r , al cociente:

Tal resultado se deriva de lo siguiente:

Una aplicación importante de este resultado consiste en que el número

A continuación presentaremos una definición importante que nos per-

Este resultado se deriva de la forma siguiente:

Ejemplo 2.2.8. Dados los elementos a y b, los posibles arreglos de estos 2

cuyo total es V3,2 = 6. Si los elementos a y b fuesen iguales, los arreglos

Definicion 2.2.7 (Permutación de n elementos con repetición). Dados n

Derivaremos este resultado en la siguiente forma:

Los n1 elementos de la clase C1 pueden distribuirse en las n posiciones de

El total de arreglos diferentes será entonces el producto:

aaabb abaab baaab bbaaa

2.3. Probabilidades multinomial e hipergeométri-

Definicion 2.3.1 (Probabilidad multinomial). Dada una población de N

contenga ni elementos de la clase Ci (i = 1, 2 . . . k), donde la suma n1 +

La probabilidad buscada viene dada por el total de muestras con reempla-

Las muestras con reemplazamiento que contienen elementos de C1 en las pri-

Permutando estas muestras obtenemos un total de:

La demostración de este resultado es similar a la anterior:

La probabilidad buscada viene dada por el total de muestras sin reemplaza-

por el total de muestras sin reemplazamiento. El total de muestras sin reem-

Las muestras con reemplazamiento que contienen elementos de C1 en las pri-

Permutando estas muestras obtenemos un total de:

Dada una población de tamaño N clasificada en k subpoblaciones de

cuyo total es: V4,2 = 4(2) = 4 3 = 12.